Texto a voz natural sintetizado en tu dispositivo.

Una herramienta gratuita de texto a voz que genera una voz de sonido natural completamente en tu navegador con el modelo neuronal de voz Kokoro. Úsala para borradores de narración, voces en off de vídeos, aprendizaje de idiomas, accesibilidad o escuchar tus propios textos leídos en voz alta — sin cuenta, sin claves de API y sin precios por palabra.

Dos motores conviven en la misma interfaz: 28 voces en inglés estadounidense y británico con calificaciones oficiales de naturalidad, y 100 voces en mandarín que leen texto mixto chino–inglés, para un total de 128 voces. El control de velocidad, el modo de documento largo, las colas por lotes y el historial local completan el estudio.

Cómo funciona

Kokoro-82M es un modelo TTS neuronal compacto y de alta calidad que se ejecuta localmente a través de Transformers.js, con aceleración WebGPU en Chrome o Edge y una ruta de WebAssembly en el resto. El motor en inglés es la versión v1.0 a través de kokoro-js; el motor en mandarín es la versión v1.1-zh con G2P chino integrado. Las voces y los pesos del modelo se descargan una vez y quedan en caché, tras lo cual la síntesis funciona sin conexión. Si una ejecución con WebGPU falla en tiempo de ejecución, la herramienta reintenta una vez en WASM de forma transparente en lugar de mostrar un error críptico.

128 voces y el navegador de voces

El navegador de voces está diseñado para una biblioteca de este tamaño: búsqueda de texto completo por nombre o ID, filtros por género y acento (mandarín, estadounidense, británico), previsualizaciones con frases fijas que reutilizan el audio en caché, favoritos guardados en tu dispositivo y una lista de uso reciente — junto con las calificaciones oficiales de naturalidad de la A a la F que llevan las voces en inglés. Elegir una voz te devuelve directamente al sintetizador; no hay cola ni llamadas a un catálogo en el servidor.

Modo de documento largo

No estás limitado a una única frase corta. El texto que supera el presupuesto seguro por llamada se divide en los límites entre frases — con una alternativa estricta para frases muy largas —, se sintetiza fragmento a fragmento con progreso en vivo (fragmento 3 de 12) y se une mediante fundidos cruzados cortos de igual ganancia para que en las uniones no se oigan clics. El nivel gratuito lee documentos de hasta 10.000 caracteres; Pro llega a 100.000. Puedes cancelar una ejecución larga en cualquier momento, y una voz en inglés leyendo texto CJK se detecta desde el principio con una indicación clara para cambiar a una voz en mandarín.

Formatos, colas por lotes e historial

WAV (16 bits, 24 kHz) siempre se puede exportar. Los navegadores basados en Chromium ofrecen además MP3 a través de WebCodecs; otros navegadores usan Opus/WebM, y los formatos disponibles se detectan y etiquetan con honestidad en lugar de fallar al hacer clic. El modo por lotes pone en cola hasta 5 textos en el nivel gratuito (50 en Pro), puede cargar varios archivos .txt a la vez, los procesa en serie con progreso por elemento y exporta el conjunto por separado o en un ZIP. El panel de historial guarda las últimas doce generaciones — texto, voz y velocidad — directamente en el navegador para regenerarlas con un clic, y se puede borrar en cualquier momento.

Límites y privacidad

Ningún nivel tiene límite de ejecuciones, cuota mensual de caracteres ni marca de agua, y ambos incluyen uso comercial; solo difieren la longitud por documento (10.000 frente a 100.000 caracteres) y el tamaño del lote (5 frente a 50 textos). Tu texto nunca sale del navegador: guiones, notas y borradores son privados por construcción, que es la razón principal para preferir esto a una API TTS en la nube cuando se trata de material confidencial.

Preguntas frecuentes

¿Por qué las voces en inglés solo pueden leer inglés? La cobertura de fonemas y vocabulario pertenece al motor; el motor mandarín v1.1 es el diseñado para chino y texto mixto, y la herramienta lo aplica así en lugar de producir una voz distorsionada.

¿Puedo generar audio sin conexión? Sí: una vez que una voz y su modelo están en caché, la síntesis no necesita conexión.

¿Está garantizado el MP3? Está disponible donde exista codificación MP3 en WebCodecs (Chromium); WAV es el formato universal y se ofrece Opus/WebM donde falta el MP3.

¿El nivel gratuito es realmente gratuito para voces en off comerciales? Sí, sin tarifa por uso y sin marca de agua; solo la longitud del documento y el tamaño del lote distinguen a Pro.